東北地理所在基于遙感大數(shù)據(jù)和云平臺(tái)結(jié)合面向?qū)ο蠓椒ㄟM(jìn)行作物分類研究中取得新進(jìn)展
聯(lián)合國(guó)預(yù)測(cè)世界人口將會(huì)在2100年增至112億人,這必將導(dǎo)致人類對(duì)糧食的需求量不斷增大。優(yōu)化作物分布、加強(qiáng)農(nóng)業(yè)的集約化發(fā)展是保障全球糧食安全的重要手段。作物類型的精確測(cè)繪是優(yōu)化作物分布與農(nóng)業(yè)的集約化發(fā)展的基礎(chǔ),對(duì)于糧食生產(chǎn)宏觀調(diào)控和精準(zhǔn)農(nóng)業(yè)管理至關(guān)重要。以往作物分類研究多以光學(xué)影像為數(shù)據(jù)源,然而光學(xué)影像更容易受到云的影響,尤其是在一些雨熱同季的地區(qū),作物生長(zhǎng)的關(guān)鍵期通常缺乏可用的光學(xué)影像。中科院東北地理所農(nóng)業(yè)遙感學(xué)科組研究人員以黑龍江克山農(nóng)場(chǎng)和通南鎮(zhèn)為研究區(qū),評(píng)估在Google Earth Engine云平臺(tái)中使用時(shí)間序列Sentinel-1影像結(jié)合面向?qū)ο蠓椒ㄟM(jìn)行作物分類的可行性與適用性。
研究人員對(duì)研究區(qū)作物生長(zhǎng)季(5月-9月)的Sentinel-1影像按三種時(shí)間間隔(10d、15d和30d)進(jìn)行合成;然后使用簡(jiǎn)單非迭代聚類算法(SNIC)對(duì)合成影像按照不同空間尺度進(jìn)行分割,最后將訓(xùn)練樣點(diǎn)和經(jīng)過(guò)不同處理的影像輸入隨機(jī)森林分類器進(jìn)行作物分類(圖1)。

圖1 基于Sentinel-1時(shí)間序列影像結(jié)合面向?qū)ο蠓椒ㄟM(jìn)行作物分類的制圖流程
研究發(fā)現(xiàn):在平均地塊較大的克山農(nóng)場(chǎng),使用面向?qū)ο蟮姆诸惙椒ńY(jié)合10d合成的Sentinel-1 影像的總體精度最高可以達(dá)到95.47%,Kappa為0.91,相比基于像素的分類方法有很大的提升(圖2);在平均地塊較小的通南鎮(zhèn),面向?qū)ο蟮姆椒ㄏ啾然谙袼氐姆椒ň忍嵘淮螅▓D3)。使用Sentinel-1合成圖像的時(shí)間間隔越短,農(nóng)作物分類精度越高。不同時(shí)間間隔序列影像重要性較高的波段主要分布在7月、8月和9月,這主要是因?yàn)檫@幾個(gè)月份作物生長(zhǎng)差異較大。作物分類的最佳分割大小與圖像分辨率和地塊大小密切相關(guān)。先前的研究通常只強(qiáng)調(diào)面向?qū)ο蠓诸惖膬?yōu)勢(shì),本項(xiàng)研究不僅強(qiáng)調(diào)了面向?qū)ο蠓诸惖膬?yōu)勢(shì),而且還分析了使用面向?qū)ο蠓诸惖臈l件限制。本研究為后續(xù)使用面向?qū)ο蠓椒ê秃铣煽讖嚼走_(dá)(SAR)進(jìn)行作物分類的研究提供了重要的借鑒。

圖2 不同處理方式下克山農(nóng)場(chǎng)作物分類結(jié)果(A-F)

圖3 不同處理方式下通南鎮(zhèn)作物分類結(jié)果(A-F)
該研究由羅沖特別研究助理(第一作者)、劉煥軍研究員(通訊作者)等共同完成。成果發(fā)表在Remote Sensing期刊上。得到中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)(XDA23070501)和黑龍江省自然科學(xué)基金(D2017001)共同資助。論文信息如下:
Luo Chong, Qi Beisong, Liu Huanjun, Guo Dong, Lu Lvping, Fu Qiang, Shao Yiqun. Using Time Series Sentinel-1 Images for Object-Oriented Crop Classification in Google Earth Engine. Remote Sensing. 2021, 13(4):561. https://doi.org/10.3390/rs13040561.
附件下載:
吉公網(wǎng)安備22017302000214號(hào)